Skip to content
PDF Oxide

vs. Bibliotecas PDF para Rust

PDF Oxide comparado con las crates PDF para Rust más usadas: lopdf, printpdf, pdf-rs y pdf_extract. Cada una apunta a un nivel de abstracción distinto y a un conjunto diferente de casos de uso.

Resumen

PDF Oxide lopdf printpdf pdf-rs pdf_extract
Nivel de API Alto nivel Bajo nivel Nivel intermedio (creación) Bajo nivel (lectura) Nivel intermedio (lectura)
Leer PDF Sí Sí No Sí Sí
Escribir PDF Sí Sí Sí No No
Extracción de texto Sí (alto nivel) Manual No Manual Sí (básica)
Extracción de imágenes Sí (alto nivel) Manual No Manual No
Campos de formulario Lectura + escritura Manual No Solo lectura No
Creación de PDF Sí Sí Sí No No
Entrada Markdown/HTML Sí No No No No
Editar PDF existentes Sí Sí (bajo nivel) No No No
Anotaciones Lectura + escritura Manual No Solo lectura No
Cifrado Lectura + escritura No No No No
Validación PDF/A Sí No No No No
Renderizado Sí (tiny-skia) No No Parcial No
Bindings para Python Sí No No No No
Licencia MIT MIT MIT MIT Apache-2.0

Todas las bibliotecas tienen licencias permisivas. Las diferencias están en el alcance y el nivel de abstracción.

Comparación de rendimiento

Benchmark del corpus completo (3.830 PDF)

Probado sobre el corpus completo de 3.830 PDF: tres suites de prueba independientes y de acceso público que cubren la conformidad con la especificación PDF (veraPDF, 2.907 archivos), casos límite de renderizado en navegadores del mundo real (Mozilla pdf.js, 897 archivos) y pruebas de estrés de seguridad y robustez, incluidas estructuras malformadas y corrupción generada por fuzzing (DARPA SafeDocs, 26 archivos). Consulta los detalles del corpus completo.

Biblioteca Media p99 Tasa de éxito Extracción de texto Notas
PDF Oxide 0,8 ms 9 ms 100 % Integrada, de nivel de producción Unicode, CJK, orden de lectura
oxidize_pdf 13,5 ms 11 ms 99,1 % Básica Valor atípico máximo de 48 s
unpdf 2,8 ms 10 ms 95,1 % Básica 185 fallos en el corpus completo
pdf_extract 4,08 ms 37 ms 91,5 % Básica Se le escapan los diseños complejos
lopdf 0,3 ms 2 ms 80,2 % Sin extracción integrada Falla en el 20 % de los PDF

lopdf es más rápida con los PDF que puede analizar, pero falla en el 20 % del corpus y no ofrece extracción de texto. Tendrías que implementar tú mismo la decodificación de fuentes, la resolución de CMap y el análisis de espaciado.

pdf_extract ofrece extracción de texto básica, pero tiene una tasa de éxito del 91,5 % y le cuesta con los diseños complejos, el texto CJK y los PDF etiquetados. oxidize_pdf tiene una fiabilidad decente (99,1 %), pero es 17 veces más lenta que pdf_oxide en el tiempo medio de extracción, con un valor atípico en el peor de los casos de 48 segundos. unpdf procesa el corpus completo, pero falla en 185 PDF.

PDF Oxide es la única crate de Rust que combina un 100 % de fiabilidad con extracción de texto de nivel de producción.

Comparación del diseño de la API

PDF Oxide: alto nivel, orientada a tareas

PDF Oxide ofrece métodos creados específicamente para tareas comunes. Trabajas con texto, imágenes y campos de formulario, no con objetos y diccionarios PDF.

use pdf_oxide::PdfDocument;

let mut doc = PdfDocument::open("report.pdf")?;

// Text extraction -- one call
let text = doc.extract_text(0)?;
println!("{}", text);

// Styled spans with font metadata
let spans = doc.extract_spans(0)?;
for span in &spans {
    println!("'{}' font={} size={:.1}pt", span.text, span.font_name, span.font_size);
}

// Image extraction
let images = doc.extract_images(0)?;
for img in &images {
    println!("{}x{} {:?}", img.width, img.height, img.format);
}

// Form fields
let fields = doc.extract_form_fields()?;
for field in &fields {
    println!("{}: {:?}", field.name, field.value);
}

La creación de PDF es igual de sencilla:

use pdf_oxide::api::Pdf;

// From Markdown
let pdf = Pdf::from_markdown("# Report\n\n| A | B |\n|---|---|\n| 1 | 2 |")?;
pdf.save("report.pdf")?;

// From HTML
let pdf = Pdf::from_html("<h1>Report</h1><p>Content here.</p>")?;
pdf.save("report.pdf")?;

lopdf: manipulación de objetos de bajo nivel

lopdf te da acceso directo a los objetos PDF, los streams y la tabla de referencias cruzadas. Debes entender la especificación PDF para usarla con eficacia. No hay extracción de texto integrada: navegas por los diccionarios y decodificas los streams por tu cuenta.

use lopdf::Document;

let doc = Document::load("report.pdf")?;

// Get page dictionary
let page_id = doc.page_iter().next().unwrap();
let page = doc.get_dictionary(page_id)?;

// Get content stream -- manual work
let contents = page.get("Contents")?;
let stream = doc.get_object(contents.as_reference()?)?;

// To extract text you must:
// 1. Parse the content stream operators
// 2. Resolve font references from /Resources
// 3. Decode CMap/ToUnicode mappings
// 4. Apply text matrix transformations
// 5. Handle encoding differences
//
// lopdf does not provide any of this -- it is raw object access
println!("Page has {} objects", doc.objects.len());

lopdf es la herramienta adecuada cuando necesitas manipular la estructura del PDF directamente: combinar documentos, reescribir streams de objetos o construir procesadores de PDF especializados.

printpdf: solo creación de PDF

printpdf es una biblioteca solo de creación. No puede leer ni analizar PDF existentes. Ofrece una API tipada para construir documentos PDF desde cero con texto, imágenes y gráficos vectoriales.

use printpdf::*;

let (doc, page1, layer1) = PdfDocument::new(
    "Report", Mm(210.0), Mm(297.0), "Layer 1"
);

let current_layer = doc.get_page(page1).get_layer(layer1);

// Add text -- requires manual font loading
let font = doc.add_builtin_font(BuiltinFont::Helvetica)?;
current_layer.use_text("Hello World", 24.0, Mm(10.0), Mm(280.0), &font);

// Save
doc.save(&mut std::io::BufWriter::new(
    std::fs::File::create("output.pdf")?,
))?;

// Cannot read existing PDFs
// Cannot extract text, images, or form fields

printpdf es la herramienta adecuada cuando solo necesitas generar PDF nuevos y quieres una API de creación limpia y enfocada.

pdf-rs: lectura de PDF de bajo nivel

pdf-rs analiza la estructura del PDF en tipos de Rust, pero ofrece una funcionalidad de alto nivel mínima. Obtienes acceso tipado a los objetos PDF, pero aun así debes encargarte de la decodificación de texto, la resolución de fuentes y el análisis de streams de contenido.

use pdf::file::FileOptions;

let file = FileOptions::cached().open("report.pdf")?;

// Access page objects
let page = file.get_page(0)?;
let media_box = page.media_box()?;
println!("Page size: {:?}", media_box);

// Content stream access -- low-level
if let Some(ref contents) = page.contents {
    // Returns raw operations -- you must interpret them
    // No built-in text assembly, font decoding, or layout analysis
}

// Cannot write or modify PDFs

pdf-rs es la herramienta adecuada cuando necesitas un parser de PDF con seguridad de tipos para análisis, validación o para construir un renderizador propio.

Comparación de funciones por tarea

Extracción de texto

Biblioteca Integrada Calidad Esfuerzo requerido
PDF Oxide Sí Nivel de producción (Unicode, CJK, orden de lectura) Una llamada a método
pdf_extract Sí Básica (se le escapan los diseños complejos) Una llamada a método
lopdf No N/D Cientos de líneas de código propio
printpdf No N/D No es posible (solo escritura)
pdf-rs No N/D Requiere bastante código propio

PDF Oxide se encarga de la decodificación CMap/ToUnicode, el espaciado basado en métricas de fuente, el orden de lectura por árbol de estructura y la reconstrucción de ligaduras. Implementar una funcionalidad equivalente sobre lopdf o pdf-rs requiere miles de líneas de código y un conocimiento profundo de la especificación PDF.

Creación de PDF

Biblioteca Enfoque Entrada Markdown/HTML Tablas Códigos de barras
PDF Oxide Alto nivel + bajo nivel Sí Sí Sí
lopdf Construcción de objetos en bruto No No No
printpdf API de capas tipada No No No
pdf-rs N/D (solo lectura) N/D N/D N/D

Cifrado

Biblioteca Leer cifrado Escribir cifrado Algoritmos
PDF Oxide Sí Sí RC4-40, RC4-128, AES-128, AES-256
lopdf No No –
printpdf No No –
pdf-rs Parcial No Solo RC4

Conformidad

Biblioteca PDF/A PDF/X PDF/UA
PDF Oxide Validar + convertir Validar Validar
lopdf No No No
printpdf Parcial (salida PDF/A-1b) No No
pdf-rs No No No

Huella de dependencias

Biblioteca Dependencias Tiempo de compilación Tamaño del binario
PDF Oxide ~40 (núcleo) ~30 s ~4 MB
lopdf ~15 ~10 s ~1 MB
printpdf ~20 ~15 s ~2 MB
pdf-rs ~25 ~20 s ~2 MB

PDF Oxide tiene más dependencias porque incluye análisis de fuentes, decodificación de imágenes, interpretación de streams de contenido y cifrado: funciones que las demás bibliotecas dejan al usuario u omiten por completo. Con todas las funciones opcionales (rendering, barcodes, office), el número sube a ~100.

Combinar bibliotecas

Como todas tienen licencias permisivas, puedes combinarlas en un mismo proyecto:

[dependencies]
pdf_oxide = "0.3"
lopdf = "0.32"        # Optional: raw object access for edge cases

Patrones habituales:

  • PDF Oxide + lopdf: usa PDF Oxide para extracción y creación, y recurre a lopdf para los casos límite que requieren manipulación de objetos en bruto.
  • PDF Oxide + printpdf: usa PDF Oxide para lectura y printpdf para flujos de creación especializados.

Matriz de casos de uso

«Necesito extraer texto de PDF»

Crate ¿Adecuada? Notas
PDF Oxide Sí Mejor calidad de extracción, 100 % de tasa de éxito, orden de lectura, metadatos de fuente
pdf_extract Parcial Extracción básica, 91,5 % de tasa de éxito
lopdf No Sin extracción de texto
printpdf No No puede leer PDF
pdf-rs Parcial Análisis básico, sin extracción de texto de alto nivel

«Necesito crear PDF»

Crate ¿Adecuada? Notas
PDF Oxide Sí APIs de alto nivel (Markdown/HTML) y de bajo nivel
lopdf Parcial Construcción de objetos de bajo nivel
printpdf Sí API de creación limpia, sin lectura
pdf-rs No Solo lectura

«Necesito editar PDF existentes»

Crate ¿Adecuada? Notas
PDF Oxide Sí Edición tipo DOM, anotaciones, formularios
lopdf Parcial Manipulación de objetos de bajo nivel
printpdf No No puede leer PDF
pdf-rs No Solo lectura

«Necesito el ciclo de vida completo (extraer + crear + editar)»

Crate ¿Adecuada? Notas
PDF Oxide Sí Única crate que cubre las tres
lopdf + printpdf Parcial Dos crates, sin extracción de texto
pdf-rs + printpdf Parcial Dos crates, sin edición

Cuándo usar cada una

Elige PDF Oxide si necesitas más de una capacidad de PDF (extracción + creación, o extracción + edición) y quieres una única dependencia bien probada con un 100 % de fiabilidad.

Elige lopdf si necesitas manipulación de la estructura del PDF de bajo nivel y te sientes cómodo trabajando directamente con la especificación PDF. Buena para combinar, dividir y procesar PDF por lotes.

Elige printpdf si solo creas PDF y nunca necesitas leerlos. La API más limpia para generar informes y documentos.

Elige pdf-rs si necesitas un parser conforme a la especificación para análisis de PDF o estás construyendo tu propio pipeline de renderizado.

Elige pdf_extract si necesitas extracción de texto básica y no requieres alta fiabilidad ni soporte para diseños complejos.

Páginas relacionadas